MS.NET Remoting的分布式技术应用研究

本文阐述了新一代的分布式应用技术NETRemoting的体系结构 ,及其在分布式应用中的特点 。

新一代网络中新的地址解析技术

本文阐述了在新一代的网络技术协议 (IPV6)中 ,用于地址解析的关键技术———邻居发现协议的基本原理、重要概念、配置和验证 。

基于深度学习的软钢力学特性

目的针对机械工程中软钢材料在大塑性拉伸载荷下力学特性分析的问题,提出一种基于深度学习的分析方法来预测其力学特性。方法首先对软钢材料不同台阶角度展开拉伸实验,并将采集到的实验数据利用智能技术进行预测分析。实验模型设计为双层结构,第1层结构采用共享全连接层特征输入,第2层使用极端随机树和长短时记忆网络做联合深度训练,并对训练结果经过激活函数计算后统一输出。采用联合训练模型在实验测试集上能较好地反映出应变与应力的变化趋势、速度和数值关系。结果实验结果显示,利用联合训练模型比单一ET和LSTM预测技术在拟合效果上分别提高了28.3%和63.5%。结论利用新模型取得较好的预测效果,这为分析金属阻尼器大塑性拉伸载荷下软钢材料力学特性的分析提供了重要的参考。

软钢力学特性智能集成学习预测方法

针对抗震工程中耗能软钢材料在大塑性变形时机械特性评估困难的问题,提出了一种基于智能集成技术的分析方法预测其力学特性。首先对软钢材料不同垂直台阶角度进行拉伸实验,并将采集到的实验数据利用智能技术进行预测分析;将实验设计为双层模型,第一层模型采用随机森林(random forest,RF)算法和自然梯度提升(natural gradient boost,NGBoost)算法作为基础学习器,第二层使用第一层的分析结果和单层逻辑回归进行融合集成计算,新的融合集成模型在实验测试集上能较好地反映出应力与应变的变化趋势、变化速度和变化数值的关系。结果表明,利用智能集成技术比利用单一RF算法和NGBoost算法预测技术的拟合效果分别提高了29.2%和27.4%,所提方法对分析不同垂直台阶角度下软钢材料大塑性变形时的机械特性变化有重要的参考价值。

基于多层融合网络钛合金铣削加工过程中切削力预测研究

针对制造装备中钛合金材料在铣削加工过程中对切削力预测研究的问题,提出了一种基于多层融合网络结构的方法来对切削力进行预测研究。首先对钛合金在VMC600加工中心上进行不同转速、进给速度和轴向切深的铣削实验并将采集到的实验数据利用融合网络进行预测分析。其次对单一模型与基础2层融合网络两种不同方法开展预测分析。在明确2层融合网络预测优势的情形下,进一步开展在不同层数情况下的预测精度和计算时间成本情况的研究。研究结果表明多层融合网络预测精度比单一模型平均提高了78.19%,当网络层数为6层时达到了预测精度最佳。利用多层融合网络对钛合金铣削过程中的切削力变化取得较好的预测效果,从而为铣削过程中合理制定加工工艺提供重要的参考。

分布式无线网络环境下QoS的应用与分析

本文主要的研究目的是为了解决在社区卫生医疗中实际存在的数据采集和传输的问题。在社区卫生医疗综合系统中利用移动设备来解决数据采集的分散性,利用无线传输的方式达到数据传输的及时性,利用DotQoS中间件技术控制传输的服务质量并采用AES加密算法提高传输的安全性。这些技术初步解决了所存在的问题,提高了社区卫生医疗服务工作的效率。